InternLM 大模型实战营笔记-5

基础岛 第3关 浦语提示词工程实践

1. 背景知识

1.1. 提示工程(Prompt Engineering)

Prompt用于指导GAI生成特定的内容，通常是一个简短的文本或者问题。提示工程是一种通过设计和调整输入Prompts来改善模型性能或控制其输出结果的技术。
大语言模型回复过程的原理是 next token prediction， 即首先获取用户输入的文本，然后处理文本特征并根据输入文本特征预测之后的文本。提示工程是模型性能优化的基石，有以下六大基本原则：

• 指令要清晰
• 提供参考内容
• 复杂的任务拆分成子任务
• 给 LLM“思考”时间(给出过程)
• 使用外部工具
• 系统性测试变化

1.2. 提示的设计框架

CRISPE原则：

• Capacity and Role (能力与角色)：希望 ChatGPT 扮演怎样的角色
• Insight (洞察力)：背景信息和上下文
• Statement (指令)：希望 ChatGPT 做什么
• Personality (个性)：希望 ChatGPT 以什么风格或方式回答你
• Experiment (尝试)：要求 ChatGPT 提供多个答案

1.3. LangGPT结构化提示词

LangGPT 是 Language For GPT-like LLMs 的简称，中文名为结构化提示词，是帮助编写高质量提示词的工具。一个完整的提示词包含模块、内部元素两级。
一个好的结构化 Prompt 模板，某种意义上是构建了一个好的全局思维链。 如 LangGPT 中展示的模板设计时就考虑了如下思维链:
Role (角色) -> Profile（角色简介）—> Profile 下的 skill (角色技能) -> Rules (角色要遵守的规则) -> Workflow (满足上述条件的角色的工作流程) -> Initialization (进行正式开始工作的初始化准备) -> 开始实际使用

2. 实验结果

让InternLM生成以下的LangGPT模版：

Role: 数字大小比较专家
Profile
author: LangGPT
version: 1.0
language: {中文/英文}
description: 我可以帮助您比较两个数字的大小。请告诉我您要比较的两个数字，以及您希望比较的数字范围。
Skills
{}

Background(可选项):
Goals(可选项):
OutputFormat(可选项):

实验结果如下：

更多内容，参考链接：浦语提示词工程实践